Hace poco, Addy Osmani publicó un artículo que me dio mucho en qué pensar: “Self-Improving Coding Agents”. La idea es simple pero potente: agentes que no solo ejecutan tareas, sino que mejoran su propio rendimiento con el tiempo.
Esto no es ciencia ficción. Es algo que está pasando ya, ahora mismo, en 2026. Y tiene implicaciones profundas para el futuro del desarrollo de software y, por extensión, para todas las profesiones.
¿Qué es un Self-Improving Agent?
Un self-improving agent (agente auto-mejorable) es un sistema de IA que tiene la capacidad de:
- Evaluar su propio desempeño - Saber cuándo lo está haciendo bien o mal
- Aprender de sus errores - Modificar su comportamiento basándose en los fallos
- Optimizar sus procesos - Mejorar la forma en que aborda las tareas
- Actualizarse autónomamente - Incorporar mejoras sin intervención humana directa
Addy Osmani lo explica con un ejemplo muy claro: un agente que:
- Tarea una lista de pendientes
- Escribe código para resolver cada tarea
- Ejecuta las pruebas
- Si falla, corrige el código y vuelve a probar
- Actualiza la lista de tareas según los resultados
- Repite este ciclo hasta que todo pasa
El ejemplo de Addy: Coding Agents cíclicos
El concepto clave que Addy presenta es el ciclo de mejora continua:
# Pseudocódigo del flujo
mientras existan tareas fallidas:
para cada tarea:
generar solución
ejecutar pruebas
si pasa:
marcar como completada
si falla:
analizar error
generar corrección
reintentar
actualizar lista de tareas
Lo brillante no es cada paso individual, sino el ciclo completo autónomo. El agent no necesita que un humano le diga “este test falló, arréglalo”. Lo detecta, lo corrige, y aprende del proceso.
La transición de Addy: 80/20 → 20/80
Addy comparte una estadística fascinante sobre su propia evolución:
“Rápidamente pasé de aproximadamente 80% código manual+autocomplete y 20% agentes, a 80% agentes y 20% ediciones+retoques.”
Este cambio dramático en tan poco tiempo dice mucho sobre hacia dónde vamos. Y no es solo Addy. Es algo que estoy viendo en muchos desarrolladores que están adoptando seriamente estas herramientas.
La investigación detrás: Meta-cognición
No es solo práctica. Hay una investigación seria detrás de esto. Un paper reciente de 202 titulado “Truly Self-Improving Agents Require Intrinsic Metacognitive Learning” argumenta que:
“La auto-mejora efectiva requiere meta-aprendizaje intrínseco — la capacidad innata de un agente para evaluar activamente, reflexionar sobre y adaptar sus propios procesos de aprendizaje.”
La clave aquí es “intrínseco”. No es que el sistema tenga un humano tweaking hiperparámetros. Es que el sistema mismo tiene la capacidad de auto-evaluarse.
¿Qué es meta-cognición en IA?
La meta-cognición en IA proporciona a los agentes:
- Un espejo para ver sus propios procesos de pensamiento
- Cuestionar sus propias asunciones
- Corregir el rumbo antes de causar daño
- Auto-conocimiento para mejores decisiones
Los frameworks como MARS (Metacognitive Self-Improvement Agents) están implementando estas ideas con resultados impresionantes.
El panorama actual en 2026
Meta y OpenAI están muy metidos
- Meta publicó un paper proponiendo agentes de IA que se mejoran a sí mismos sin entrenamiento humano, reduciendo la dependencia de anotaciones humanas costosas
- OpenAI released su “Self-Evolving Agents Cookbook” con guías prácticas para mejora continua de agentes
Aplicaciones reales hoy
Ya hay casos de uso en producción:
- Marketing automation: Agentes que ejecutan miles de interacciones personalizadas simultáneamente
- Testing automatizado: Agentes que generan tests, los ejecutan, y mejoran su cobertura
- Code review: Sistemas que revisan código y aprenden de los patrones que encuentran
¿Qué hace que esto funcione?
Desglosando los self-improving agents de Addy, veo varios patrones clave:
1. Tareas pequeñas con criterios claros
El secreto no es intentar resolver todo de una vez. Es dividir el trabajo en tareas atómicas con criterios de éxito explícitos.
- ❌ Mal: “Implementa sistema de autenticación”
- ✅ Bien: “Añade endpoint POST /login que acepte email/password y retorna JWT”
2. Feedback loop rápido
El agente necesita saber inmediatamente si funcionó o no. Tests automatizados, linting, type-checking — todo eso es feedback que el agente puede usar para mejorar.
3. Estado persistente
El agente mantiene estado entre iteraciones. No empieza de cero cada vez. Aprende de lo que funcionó y lo que no.
4. Meta-prompting evolutivo
Addy menciona algo interesante: los prompts mismos del agente evolucionan. No son estáticos. Se ajustan basándose en lo que funcionó bien antes.
Las tres capacidades críticas
Según el análisis de la industria, un self-improving agent efectivo necesita:
- Autonomía - Operar independientemente sin supervisión constante
- Learning - Capacidad de adquirir nuevas habilidades y conocimientos
- Self-improvement - Modificar sus propios algoritmos, parámetros y procesos de decisión
Sin las tres, no es realmente un self-improving agent. Es solo un script con algunos ML models por debajo.
El problema del 80%
Addy también menciona el “80% Problem in Agentic Coding”:
“Los agentes pueden generar el 80% del código rápidamente, pero el 20% restano requiere conocimiento profundo del contexto, arquitectura, y trade-offs.”
Este es el desafío actual. Los agentes son brillantes en las tareas “obvias”, pero luchan con:
- Decisiones arquitectónicas sutiles
- Compromisos de diseño a largo plazo
- Conocimiento tácito del dominio
- Juicios basados en experiencia
Mi lectura: esto no va a cambiar pronto. Los agentes seguirán siendo herramientas poderosas para el 80%, pero el 20% seguirá necesitando humanos exper—os.
¿Qué significa esto para nosotros?
El developer como orchestrator
Si los agents pueden hacer el 80% del trabajo… ¿qué hacemos nosotros?
Pienso que el rol del developer está evolucionando hacia:
- Orquestador - Diseñar sistemas de agents que trabajen juntos
- Arquitecto - Definir la estructura y constraints del sistema
- Reviewer - Revisar y curar el output de los agents
- Problem-solver - Atacar el 20% difícil que los agents no pueden resolver
Skill shift urgente
Las habilidades que están valuando más:
- System design - Cómo diseñar sistemas multi-agent
- Evaluation - Cómo medir qué funciona bien
- Domain expertise - Conocimiento profundo que los agents no tienen
- Critical thinking - Evaluar output de agents
Las habilidades que están valuando menos:
- Codificación repetitiva - Agents la hacen mejor
- Boilerplate - Tools automatizan esto
- Testing básico - Agents generan y ejecutan tests
Mi take personal
Tengo que admitirlo: esta transición de 80/20 a 20/80 que Addy menciona me resuena mucho. Yo también estoy haciendo mucho más “orchestration” y mucho menos “coding puro” que hace un año.
¿Es bueno? ¿Es malo? Ni lo uno ni lo otro. Es diferente.
Lo que sí me preocupa es la brecha de skills que se está abriendo:
- Developers que adoptan agents → Super-productivos
- Developers que no adoptan agents → Quedados atrás
- Developers que solo saben usar agents → Superficiales
El sweet spot está en el medio: saber usar agents pero entender qué están haciendo.
El futuro inmediato
Si este tema te interesa, te recomiendo seguir:
El trabajo de Addy Osmani - Está escribiendo extensamente sobre este tema
La investigación académica - Hay papers serios sobre esto:
Implementaciones prácticas:
Conclusión
Los self-improving agents no son el futuro. Son el presente.
Y no es hype. Es una evolución natural de la IA que estamos viendo: de herramientas pasivas a sistemas autónomos que aprenden y mejoran.
La pregunta no es “¿llegarán los agents a reemplazarnos?”. La pregunta es: "¿Cómo trabajamos con agents para ser 10x más productivos?"
Mi respuesta: entendiendo que son herramientas, no magia. Y que el valor humano está en pensar críticamente sobre qué problema resolver, cómo resolverlo, y si la solución que el agent produjo es realmente buena.
El resto? Bueno, eso los agents ya lo hacen bastante bien.
¿Y tú? ¿Qué piensas sobre los self-improving agents? ¿Los estás usando ya? Me gustaría escuchar experiencias reales.
Referencias
- Self-Improving Coding Agents – Addy Osmani
- The 80% Problem in Agentic Coding – Addy Osmani
- My LLM Coding Workflow Going Into 2026 – Addy Osmani
- Top AI Coding Trends for 2026 – Addy Osmani
- Truly Self-Improving Agents Require Intrinsic Metacognitive Learning – arXiv
- Meta-Learning for Autonomous AI Agents – ResearchGate
- Self-Improving Autonomous Agents: The Path to True AI Autonomy – LinkedIn
- OpenAI Self-Evolving Agents Cookbook
- AI Agents: Metacognition for Self-Aware Intelligence – Microsoft
- MARS: Metacognitive Self-Improvement Agents – Emergent Mind
